contoh teknik pengujian gui

8/16/2019 CONTOH TEKNIK PENGUJIAN GUI

1/14

JURNAL INFORMATIKA

No.3 , Vol. 2, September – Desember 2011 48

PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH

CITRA MENGUNAKAN JARINGAN SARAF TIRUAN

Decy Nataliana[1]

, Sabat Anwari[2]

, Arief Hermawan[3]

Jurusan Teknik Elektro

Institut Teknologi Nasional Bandung

ABSTRAK

Pengenalan pola merupakan bidang dalam pembelajaran mesin, salah satu

aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan

jaringan saraf tiruan. Jaringan saraf tiruan sendiri merupakan sistem pemroses informasi

yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum

digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali

suatu pola yang menyerupai pola yang sudah dilatih. Jaringan saraf tiruan yang digunakan

adalah JST backpropagation

Program yang dibuat akan menampilkan citra input kemudian mencari dan

mengekstrak plat nomor kendaraan, kemudian melakukan segmentasi citra plat nomor

menjadi citra karakter. Langkah terakhir yang dilakukan adalah mengenali tiap citra

karakter hasil segmentasi dengan menggunakan jaringan saraf tiruan backpropagation.

program yang digunakan dalam pembuatan program pengenalan karakter ini adalah

Matlab.

Pembuatan program ini dibagi menjadi dua tahap yanitu pembuatan GUI dan

pembuatan subprogram yang bersesuaian dengan GUI yang telah dibuat. Hasil pengenalan plat nomor kendaraan dengan menggunakan JST memiliki tingkat keberhasilan 46,32%

dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 1,76

detik, sedangkan metoda pembandingnya adalah metoda template matching yang memiliki

tingkat keberhasilan 72,37% dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap

plat nomor adalah 21,14 detik.

Kata kunci: Pengenalan Pola, Plat Nomor Kendaraan, Jaringan Saraf Tiruan, Matlab


2/14

JURNAL INFORMATIKA


ABSTRACT

Pattern recognition is a field on machine learning, ones of application is number and

latter pattern recognition from an image using artificial neural network. Artificial neural

network is informational system processing that having characteristic like biological neural

network. This artificial neural network have to be trained before it can be used to recognition

a pattern that is like the pattern that have been trained. The artificial neural network that

have been used is backpropagation ANN.

This program will showing input image then the program will search and extract

license plat number and then doing segmentation plat number image to become character

image. The last step is recognition each of image character from the segmentation process

using backpropagation artificial neural network. This character recognition program is

made using Matlab.

The making of this program divided by two step : the making of GUI and the making od

subprogram that have correlation with GUI. the result of the license plat number recognition

by using ANN have success rate 46,23% with average time to recognition license plat number

is 1,76 second, meanwhile the other method, template matching, have success rate 72,73%

with average time to recognition license plate number is 21,14 second.

Keywords : Pattern Recognition, License Plate Number, Artificial Neural Network, Matlab

I. Pendahuluan

1.1. Latar Belakang

Pengenalan pola merupakan bidang

dalam pembelajaran mesin. Pengenalan

pola dapat diartikan sebagai sebuah

tindakan mengambil data mentah dan

bertindak berdasarkan klasifikasi data.

Salah satu aplikasinya adalah pengenalan

pola angka dan huruf dari sebuah citra

menggunakan jaringan saraf tiruan.

Jaringan saraf tiruan sendiri merupakan

sistem promroses informasi yang memiliki

karakteristik seperti jaringan saraf

biologis. Jaringan saraf tiruan ini sebelum

digunakan harus dilatih terlebih dahulu

agar nantinya dapat digunakan untuk

mengenali suatu pola yang menyerupai

pola yang sudah dilatih. Disini jaringan

saraf tiruan digunakan untuk mengenali

pola karakter dari sebuah citra plat nomorkendaraan

1.2. Tujuan

Tujuan dari pembuatan program ini

adalah program dapat mengenali karakter

dari plat nomor kendaraan dalam sebuah

citra.

1.3. Batasan Masalah

Dalam pembuatan program untuk tugas

akhir ini terdapat beberapa batasan

masalah agar tidak meluas :

•

Program hanya dapat mendeteksi

sebuah plat nomor yang berwarna

hitam dalam sebuah citra.

•

Program hanya dapat mengenali nomorkendaraan, tidak beserta dengan masa

berlakunya.

•

Menggunakan gambar berformat bmp

dan jpeg berukuran 1280 x 1024

piksel.

• Plat nomor kendaraan yang digunakan

sesuai dengan standar yang berlaku

dan terlihat jelas dalam citra.

•

Pengenalan menggunakan jaringan

saraf tiruan backpropagation

II.

Dasar teori2.1. Penglolahan Citra Digital

[1,2]

Ada beberapa pengertian tentang citra

digital. Salah satunya adalah bahwa citra

digital merupakan suatu matrik dimana

indeks baris dan kolomnya menyatakan

suatu titik pada citra tersebut dan elemen

matriknya menyatakan intensitas pada titik

tersebut. Jika citra dinyatakan dalam


3/14

No.3 , Vol

bentuk

gambar

Gambar 2.

informas

tersebut

dengan

Wikiped

penggun

melakuk

digital.

S

citra di

menjadi

•

Outp

Peng

ini

mentlain,

meni

men

nya l

•

Outp

Pada

digu

kom

lanju

men

2.2. JariJarin

pertama

McCullo

McCullo

bahwa

sederhan

akan

komputa

. 2, Septemb

koordinat

erikut ini

1 Citra Dalam

eskipun ci

i akan tet

harus diola

itra kebutu

ia pengolah

aan algorit

an pemrose

ecara gari

ital menu

dua, yaitu :

utnya citra

olahan citra

berhubung

ransformasiseperti

ngkatkan

kompres c

ebih kecil.

utnya komp

kategori

akan untu

onen dari c

t. Biasany

enali suatu

gan Sarafgan saraf

kali

ch dan P

ch dan

kombinasi

a menjadi

meningka

sinya. Bob

J

r – Desembe

maka aka

Koordinat

tra memili

pi sering

kembali a

an yang ad

an citra dig

ma kompu

san citra d

besar, p

ut outputn

digital pa

n denga

an citra mmemperbai

ualitas c

tra agar u

onen / atrib

ini pengol

menghasi

itra untuk d

a digunak

ola tertent

Tiruan[8]

tiruan

iperkenalk

itts di ta

Pitts men

beberapa

ebuah syst

kan k

t dala jari

RNAL I

2011

n seperti

i banyak

kali citra

gar sesuai

. Menurut

ital adalah

ter untuk

alam citra

engolahan

ya dibagi

a kategori

teknik

njadi citraki citra,

tra, atau

uran file-

t citra

han citra

kan suatu

iolah lebih

an untuk

dari citra

sederhana

n oleh

un 1943.

yimpulkan

neuron

em neural

mampuan

gan yang

FORMA

diusul

untuk

Fungs

fungs

Ja

siste

memi jaring

sebea

dari j

:

a.

P

ba

b. Si

ne

c.

P

ya

m

d.

U

ne

ya

ya

ke

th

2.2.1.

tiga h

a. P

ja b.

M

pe

pe

c.

F

2.2.2.

keterb

Kele

mena

lapisa

dan llapisa

memi

beber

meme

backp

mend

kema

TIKA

kan oleh

melakukan

i aktivasi

threshold .

ringan sar

pemros

liki karak an saraf

ai general

ringan sara

mrosesan

nyak eleme

nyal dikiri

uron melal

nghubung

ng akan

emperlema

tuk men

uron meng

ng diterap

ng diterim

mudian

reshold .

Jaringan s

Jaringan sa

al, yaitu :

la hubunga

ingan).etode unt

nghubung

latihan).

ngsi aktiva

JST BackpJST denga

atasan da

ahan ini

bahkan sa

n tersembu

pisan outpn tersemb

liki keleb

pa kasus,

rlukan wak

Seperti a

ropagation

patkan

puan jarin

cCulloch d

fungsi logi

yang digu

f tiruan

san info

teristik miologis. J

isasi mode

f biologis, d

informasi

sederhana

kan diant

i penghubu

neuron m

mempe

sinyal

ntukan o

gunakan f

an pada

a. Besarny

dibandingk

raf tiruan

raf tiruan

antar neu

k menen

(training

i

opagation

lapis tun

lam peng

bisa dia

tu lapisan

yi diantara

t. Meskipuunyi lebi

ihan ma

akan tetapi

u yang lebi

rsitektur

melatih ja

keseimban

an untuk

n Pitts diat

a sederhan

akan adal

JST) adal

masi ya

irip dengST dibent

matemati

engan asum

terjadi pa

(neuron)

ra neuron

g

miliki bob

rkuat at

tput, seti

ngsi aktiva

umlah inp

a output i

n deng

ibentuk ol

on (arsitekt

ukan bob

learning

gal memili

nalan pol

tasi deng

tau bebera

lapisan inp

pengguna dari sa

faat unt

pelatihann

lama.

yang lai

ringan unt

an anta

engenali po

8

r

a.

h

h

g

nk

a

si

a

–

ot

u

p

si

t

i

n

h

r

ot

/

i

a.

n

a

t

nu

k

a

n,

k

a

la


4/14

No.3 , Vol

yang di

kemamp

respon

yang se

selama p

a.

Arsit

Back unit neu

Gambar

arsitektu

neuron

bias), s

terdiri p

sebuah

output.

Gambar 2.

Vijke unimerupak

bias di

tersemb

bobot da

unit outp

bias di

keluaran

b.

Fase

Back

yang har

fase maj

dari lapi

dengan

aktivasi.

selisih

output y

kesalaha

dirambat

. 2, Septemb

gunakan se

an jaringa

ang benar

upa denga

elatihan.

ektur backp

ropagatioron dalam

berikut

backpropa

input (dita

buah lapis

unit neur

ias), serta

2 Arsitektur B

erupakan b

lapisanan bobot

unit masu

nyi z j), sed

ri unit lapi

ut yk (wk0)

lapisan t

zk ).

backpropag

ropagatio

us dilakuka

, pola inpu

san input

mengguna

Fase kedua

antara out

ng diingink

atau erro

kan mundu

J

r – Desembe

lama pelat

untuk m

terhadap

pola ya

opagation

memilikilapisan te

ini adala

gation den

bah deng

n tersemb

n (ditamb

m buah n

ackpropagatio

bot dari u

tersembuyiang meng

kan ke u

ngkan wkj

an tersemb

merupakan

ersembunyi

ation

memiliki

. Fase perta

t dihitung

ingga lapi

kan suat

adalah fas

ut jaringa

an (target)

. Error ini

r, dimulai

RNAL I

2011

ihan serta

emberikan

ola input

g dipakai

beberapasembunyi.

contoh

an n buah

n sebuah

nyi yang

h dengan

uron unit

it input xi

z j (v j0 ubungkan

it lapisan

erupakan

unyi z j ke

bobot dari

ke unit

tiga fase

ma adalah

aju mulai

an output

fungsi

e mundur,

n dengan

erupakan

kemudian

dari yang

FORMA

berhu

lapisa

Fase

untuk

1. Fa

S

(xi) dimeng

ditent

lapisa

dipro

terse

meng

Demi

outpu

S

diban

dicap

outpu

jika

tolera

akan

error

tolera

akan

kesala

2.

Fa

B

factor

untukyk k

terhu

digun

berhu

D

factor

terse

bobot

di ba

semu

berhu

dihituD

faktor

sebag

yang

di ba

semu

berhu

masu

TIKA

ungan lan

n output s

ketiga ada

menurunka

se I : propa

lama prop

propagasikaunakan fu

kan. Kel

n tersemb

agasikan

bunyi

unakan

ian seterus

jaringan (y

lanjutnya

ingkan de

i (tk ). Se

adalah sua

ilai error i

si yang

dihentikan.

masih l

sinya, ma

dimodifik

han yang a

se II : prop

rdasarkan

δk (k = 1,

mendistribe semua

ung langs

akan untuk

ungan lang

ngan cara

δ j di set

bunyi se

yang bersa

ahnya. De

factor δ

ungan lan

ng.ngan cara

δ j di setiap

ai dasar per

erasal dari

ahnya. De

faktor δ

ungan l

an dihitung

sung deng

mpai ke l

lah memod

error yan

asi maju

gasi maju,

n ke lapisagsi aktivas

aran dari

unyi (z j)

maju

selanjutnya

uatu fun

ya hingga

k )

output j

gan targe

lisih antara

u nilai kesa

ni lebih ke

itentukan

Akan teta

bih besar

a bobot d

si untuk

a.

gasi mundu

nilai error

2, …, m)

sikan kesaunit terse

ng dengan

mengubah

sung denga

yang sa

iap unit d

agai dasa

sal dari uni

ikian sete

i unit terse

sung deng

yang sa

unit di laya

bahan bob

unit tersem

ikian sete

i unit terse

ngsung

.

n unit – u

apisan inp

ifikasi bob

ada.

sinyal inp

tersembuni yang sud

setiap u

selanjutn

e lapis

deng

si aktiva

enghasilk

ringan (y

yang har

target d

lahan (erro

cil dari bat

maka itera

pi jika nil

dari bat

lam jaring

menguran

r

, dihitungl

yang dipak

lahan di u bunyi ya

yk . δk ju

bobot ya

unit outpu

a, dihitu

alam lapis

perubah

tersembun

usnya hing

mbunyi ya

an unit inp

a, dihitu

tersembun

t semua ga

unyi di lay

usnya hing

mbunyi ya

engan u

8

it

t.

ot

t

ih

it

a

n

n

i.

n

k )

s

n

),

s

si

ai

s

n

gi

h

ai

itg

a

g

.

g

n

n

i

a

g

t

g

i

is

ar

a

g

it


5/14

JURNAL INFORMATIKA


3. Fase III : perubahan bobot

Setelah semua faktor δ dihitung, semua

bobot juga dimodifikasi secara bersamaan.

Perubahan suatu bobot didasarkan atas

factor δ neuron lapisan di atasnya, sebagai

contoh perubahan bobot pada lapisan

output didasarkan atas δk yang ada di unitoutput.

Ketiga fase tersebut diulang – ulang

terus hingga kondisi penghentian

terpenuhi. Umumnya kondisi penghentian

yang sering digunakan adalah jumlah

iterasi atau nilai error . Iterasi akan

dihentikan jika jumlah iterasi yang

dilakukan sudah melebihi jumlah iterasi

maksimum yang ditentukan, atau jika nilai

error sudah lebih kecil dari batas toleransi

yang ditetapkan.

c.

Algoritma backpropagation

Berikut ini adalah algoritma

backpropagation yang umum digunakan :

1.

Inisialisasi bobot (ambil bobot awal

dengan nilai random yang cukup

kecil).

2. Kerjakan langkah – langkah berikut

selama kondisi berhenti bernilai salah.

3. Untuk tiap pasangan elemen yang akan

dilakukan pembelajaran, kerjakan :

Feedforwarda.

Tiap – tiap unit input (xi, i = 1, 2, …,

n) menerima sinyal xi dan meneruskan

sinyal tersebut ke semua unit pada

lapisan yang ada di atasnya (lapisan

tersembunyi).

b. Tiap – tiap unit pada suatu lapisan

tersembunyi (z j, j = 1, 2, …, p)

menjumlahkan sinyal – sinyal input

terbobot

_ 1

gunakan fungsi aktivasi untuk

menghitung sinyal output

_ dan kirimkan sinyal tersebut ke semua

unit tersembunyi di lapisan atasnya

(unit – unit output)

c. Tiap – tiap unit output (Yk , k = 1, 2,

…, m) menjumlahkan sinyal – sinyal

input terbobot.

_ 2

gunakan fungsi aktivasi untukmenghitung sinyal output

_ Dan kirimkan sinyal tersebut ke semua

unit tersembunyi di lapisan atasnya

(unit – unit output). Langkah ini

dilakukan sebanyak jumlah lapisan

tersembunyi

Backpropagation

a.

Tiap – tiap unit output (Yk , k = 1, 2,

…, m) menerima target pola yang

berhubungan dengan pola input

pembelajaran, hitung informasi error -nya :

2 _ 2 2

kemudian hitung koreksi bobot (yang

nantinya akan digunakan untuk

memperbaiki nilai w jk ) :

∆ 2 Hitung koreksi bias (yang nantinya

akan digunakan untuk memperbaiki

nilai b2k ) : ∆2 2 Langkah ini dilakukan sebanyak

jumlah lapisan tersembunyi, yaitu

menghitung informasi error dari suatu

lapisan tersembunyi ke lapisan

tersembunyi sebelumnya.

b.

Tiap – tiap unit tersembunyi (z j, j =1,

2, …, p) menjumlahkan delta input

(dari unit – unit yang berada di lapisan

atasnya) :

∑==

m

k jk k j win 1 2 _

δ δ

Kalikan nilai ini dengan turunan dari

fungsi aktivasinya untuk menghitung

informasi error :

1 _ _ 1 1 1 1


6/14

No.3 , Vol

Kem

nanti

mem

Hitu

nanti

mem

c.

Tiap

…,

(j =

w jk (

b2k (

tiap

…, p

(i =

vij (b

b1 j (4.

Tes

2.3. Mat

Matl

dapat di

pengenal

dalam

memuda

saraf t

Toolbox.

Dala

terdapatmacam

pengatur

dibutuhk

fungsi a

Selai

fitur yan

GUI pro

Fitur in

program

didapatk

hanya de

III. Per

S

seperti b

. 2, Septemb

dian hitun

nya akan

pebaiki bila

g juga

nya akan

perbaiki b1 j

– tiap unit

) memperb

, 1, …, p) :

aru) = w jk (

aru) = b2k

tiap unit te

) memperba

, 1, …, n) :

aru) = vij (la

aru) = b1 j (ondisi berh

lab[2,4]

b adalah sa

unakan un

an plat n

atlab sudah

kan pembu

ruan, yait

Neural

fungsi unt jaringan

an paramet

an, seperti

tivasi dan l

n itu Matla

g dapat digu

ram yang

memudah

dengan G

an bisa lebi

ngan meng

ncangan P

ecara umu

ok diagram

J

r – Desembe

koreksi b

digunaka

vij) :

oreksi bi

digunaka

:

ourput (Yk ,

iki bias da

lama) + Δw

lama) + Δ b

rsembunyi

iki bias da

ma) + Δvij

ama) +Δ b1nti

lah satu soft

uk membu

mor kend

terdapat to

atan progra

u Neural

Network

k membuasaraf tiru

er – para

metode

innya.

juga dapa

nakan untu

enarik, yai

kan dalam

I sehingga

maksimal

unakan m-f

ogram

sistem aka

berikut :

RNAL I

2011

bot (yang

n untuk

as (yang

n untuk

k = 1, 2,

bobotnya

k

2k

z j, j =1, 2,

bobotnya

j

ware yang

t program

araan. Di

lbox yang

jaringan

Network

Toolbox

t berbagaian, serta

eter yang

pelatihan,

t memiliki

membuat

u GUIDE.

membuat

hasil yang

dibanding

le saja.

n berkerja

FORMA

Gamba

kemu

sudah

plat

Setela

segm

dapat

penge

backp

melal

digun

untuk

menja

GUI

3.1. P

PGUI

dapat

muda

berik

untuk

nomo

Gamba

TIKA

r 3.1 Blok Dia

Citra di

ian ditamp

disediakan

nomor dit

h diekstr

ntasi kara

dipisahkan.Proses

nalan kara

ropagation

i GUI.

akan meto

mengenali

Perancang

di dua ba

an peranca

erancanga

rancanganE Matlab

dilakukan

. Gambar

t ini adalah

pelatihan

kendaraan

r 3.2 Pelatiha

gram Pengena

gital dija

ilkan melal

, lalu citra

mukan la

ak dilaku

ter agar

selanjutn

ter dengan

dan hasilny

Sebagai

da templa

arakter pla

an progra

gian yaitu

gan subpro

GUI

GUIsehingga

dengan

3.2 serta

rancangan

ST dan pe

JST

lan Karakter

ikan inp

ui GUI ya

diproses ag

u diekstra

kan pros

iap karakt

a adal

metoda JS

a ditampilk

pembandi

te matchi

nomor.

ini diba

perancang

gram.

enggunak perancang

relatif leb

gambar 3

ampilan G

genalan pl

8

t

g

ar

k.

es

er

h

T

n

g

g

gi

n

nn

ih

.3

I

at


7/14

JURNAL INFORMATIKA


Gambar 3.3 Pengenalan Plat Nomor

3.2. Perancangan Subprogram

Perancangan subprogram untuk program pengenalan plat nomor kendaraan

terdiri dari beberapa program

a.

Pelatihan JST

Dalam subprogram pelatihan JST ini

arsitektur yang digunakan adalah

backpropagation dengan tiga lapisan,

lapisan input, hidden dan output. Metode

pelatihan yang digunakan adalah trainlm.

Gambar 3.4 berikut ini adalah flowchart

subprogram pelatihan JST

Gambar 3.4 Pelatihan JST

b. Menampilkan Citra

Dalam subprogram ini akan

menampilkan citra yang dipilih melalui

GUI, subprogram ini dihubungkan dengan

tombol Citra Kendaraan. Setelah

ditampilkan citra dirubah ke format

grayscale untuk pemrosesan lebih lanjut.Gambar 3.5 adalah flowchart untuk

subprogram yang digunakan

Gambar 3.5 Menampilkan Citra

c.

Mencari Kandidat Plat NomorSubprogram ini akan membagi citra

input menjadi enam bagian kemudian

program akan mencari plat nomor di tiap

bagian. Gambar 3.6 adalah flowchart

untuk subprogram ini


8/14

JURNAL INFORMATIKA


Gambar 3.6 Kandidat Plat Nomor

d. Ekstraksi Plat Nomor

Dalam subprogram ini program akan

melakukan ekstraksi plat nomor kendaraan

dari kandidat plat nomor yang sudah

ditemukan. Ekstraksi disini adalah

memotong batas atas bawah dan batas kirikanan dari citra kandidat plat nomor yang

berhasil didapatkan oleh subprogram

sebelumnya. Gambar 3.7 adalah flowchart

untuk subprogramnya

Gambar 3.7 Ekstraksi Plat Nomor

e.

Segmentasi Karakter

Segmentasi karakter dilakukan agar

tiap citra hanya memiliki satu karakter

sehingga proses selanjutnya atau proses

pengenalan krakter dapat berjalan dengan

baik. Gambar 3.8 adalah flowchart untuksubprogram ini


9/14

JURNAL INFORMATIKA


Gambar 3.8 Segmentasi Karakter

f.

Pengenalan Karakter Menggunakan

JST

Pengenalan karakter hasil segmentasi

dilakukan dengan menggunakan jaringan

saraf tiruan backpropagation. Gambar 3.9

adalah flowchart untuk subprogram pengenalan karakter menggunakan JST

Gambar 3.9 Pengenalan Menggunakan JST


10/14

JURNAL INFORMATIKA


g. Pengenalan Karakter Menggunakan

Template Matching

Metoda ini digunakan hanya sebagai

pembanding, karakter hasil segmentasi

dibandingkan dengan karakter yang ada di

dalam data. Gambar 3.10 adalah flowchart

untuk subprogram pengenalan karaktermenggunakan template matching

Gambar 3.10 Pengenalan Menggunakan Template

Matching

IV. Pengujian dan Analisa

Dalam pengujian program pengenalan

plat nomor kendaraan ini dilakukan sesuai

dengan bagian – bagian yang sudah dibuat.

1.

Pengujian GUI

Pengujian GUI dilakukan untuk

mengetahui apakah GUI yang dibuat

bekerja dengan baik dan hasilnya GUI

bekerja dengan baik karena semuakomponen sudah berada pada tab – tab

yang sudah ditentukan seperti ditunjukkan

pada gambar 4.1 dan 4.2

Gambar 4.1 Tab Pelatihan JST

Gambar 4.2 Tab Pengenalan Karakter

2. Pengujian Pelatihan JST

Dalam pengujian pelatihan JST

backpropagation, jaringan diberikan input berupa angka yang dinyatakan dalam

matrik. Gambar 4.3 adalah gambar saat

pelatihan dilakukan


11/14

JURNAL INFORMATIKA


Gambar 4.3 Pelatihan JST

3.

Pengujian Input Citra

Saat program diberi input citra maka

yang ditampilkan saat pemilihan citra

adalah citra yang berformat bmp dan jpeg

saja, seperti ditunjukkan pada gambar 4.4

Gambar 4.4 Memilih Citra

Setelah dipilih citra kemudian ditampilkan

dalam tempat yang sudah ditentukan,

seperti ditunjukkan pada gambar 4.5

Gambar 4.5 Menampilkan Citra

4.

Pengujian Pencarian Kandidat Citra

dan Ekstraksi Citra

Pencarian kandidat citra dan ekstraksicitra sudah dapat dilakukan, walaupun

masih terdapat noise pada hasilnya, seperti

yang ditunjukkan pada gambar 4.6

Gambar 4.6 Pencarian dan Ekstraksi Citra

Dari sejumlah citra yang digunakan

tidak semuanya dapat menghasilkan output

yang diharapkan, masih terdapat kesalahan

dalam pencarian dan ekstraksi plat nomor

kendaraan. Secara umum hasilnya dapat

dibagi menjadi empat kelompok, yaitu :

a.

Plat nomor dapat ditemukan dan dapatdiekstrak dengan baik

b.

Plat nomor dapat ditemukan tetapi

tidak dapat diekstrak dengan baik

c.

Plat nomor dapat ditemukan tetapi

tidak dapat diekstrak

d. Plat nomor tidak dapat ditemukan

sehingga tidak dapt diekstrak


12/14


13/14

JURNAL INFORMATIKA


Tabel 4.4 Hasil Metoda Template Matching

Dari tabel terlihat bahwa tingkat

keberhasilan yang didapat adalah antara

42,85% sampai 100% sedangkan waktu

yang diperlukan untuk proses pengenalan

karakter adalah antara 18,84 detik sampai

22,93 detik.

V. Kesimpulan dan Saran

5.1. Kesimpulan

Dari pengujian yang sudah dilakukan

terhadap program pengenalan plat nomor

dapat diambil kesimpulan sebagai berikut :

1. Subprogram untuk menampilkan citra

input sudah dapat digunakan untuk

menampilkan citra dan secara otomatis

progam hanya menampilkan citra yang

memiliki format bmp dan jpeg.

2.

Subprogram pencarian plat nomor

kendaraan sudah dapat digunakanuntuk mencari plat nomor kendaraan,

walaupun hasil yang didapat masih

belum sempurna.

3. Subprogram segmentasi karakter dapat

melakukan segmentasi karakter dengan

baik untuk citra yang memiliki noise

sedikit.

4. Subprogram peltaihan JSt

membutuhkan waktu yang cukup

bervariasi tergantung data dan

parameter pelatihan yang digunakan.

5.

Subprogram pengenalan karakter

metoda JST memiliki tingkat

keberhasilan rata – rata 46,32% denganwaktu rata – rata yang dibutuhkan

adalah 1,76 detik.

6. Subprogram pengenalan JST dengan

metoda template matching memiliki

tingkat keberhasilan rata – rata 72,37%

dengan waktu rata – rata yang

dibutuhkan adalah 21,14 detik.

5.2. Saran

Berikut ini adalah saran yang dapat

diberikan untuk meningkatkan

kemampuan program :

1.

Algoritma pencarian plat nomor

kendaraan dan ekstraksi perlu dirubah

agar program dapat menemukan plat

nomor kendaraan yang posisinya tidak

hanya ditengah serta dapat melakukan

ekstraksi plat nomor kendaraan dengan

lebih baik

2.

Perlu ditambahkan algoritma untuk

menghilangkan noise yang ada dalam

citra plat nomor kendaraan hasil

ekstraksi, agar proses segmentasi dapat bekerja dengan lebih baik.

3. Program pelatihan jaringan saraf tiruan

perlu disempurnakan agar dapat

melakukan pelatihan jaringan saraf

tiruan selain dengan metoda pelatihan

trainlm.

4.

Menambahkan data untuk pelatihan

jaringan saraf tiruan agar didapat hasil

yang lebih baik untuk pengenalan

karakter.

DAFTAR PUSTAKA1.

Gonzales, Rafael C, 2002, “ Digital

Image Processing” 2nd

Edition,

Prentice Hall.

2.

Gonzales, Rafael C, 2004, “ Digital

Image Processing Using Matlab” 1st

Edition, Prentice Hall.


14/14

JURNAL INFORMATIKA


3.

Kusumadewi, Dewi, 2003, “ Artificial

Intelligence (Teknik dan Aplikasinya)”,

Graha Ilmu.

4. Hermawan, Arief, 2006, “ Jaringan

Saraf Tiruan (Teori dan Aplikasi)”,

Andi.5.

Hery Purnomo, Mauridhi, Agus

Kurniawan, 2006, “Supervised Neural

Networks dan Aplikasinya”, Graha

Ilmu

6.

Jemmy, “ Aplikasi Kamera Web Untuk

Mengidentifikasi Plat Nomor Mobil”,

Universitas Kristen Maranatha, 2008.

7. Marasi Manurung, Patardo,

“Perangkat Lunak Pengenalan Plat

Nomor Mobil Mengunakan JaringanKompetitif dan Jaringan Kohonen”,

Universitas Indonesia, 2007.

8. Simon Haykin, Neural Networks :

Acomprehensive Foundation, Pearson

Education, cetakan ke-3 di India, 1999

contoh teknik pengujian gui

Documents